COrigami: Um Pipeline de IA para o Co-design de Origamis Dobráveis Planos e Visualmente Reconhecíveis

Resumo

Embora a IA generativa tenha alcançado sucesso notável na resolução de problemas com soluções verificáveis, gerar arte física que satisfaça tanto restrições geométricas rígidas quanto estéticas visuais subjetivas continua sendo um desafio. Este artigo apresenta uma abordagem para lidar com essas dificuldades no domínio do origami computacional, um ambiente matematicamente rigoroso que fundamenta o design artístico nas equações de dobrabilidade plana. Apresentamos o COrigami, um pipeline completo orientado por IA que auxilia o ciclo de design gerando padrões de vincos a partir de linguagem natural. Nosso pipeline envolve a geração de uma figura de palito semântica, o cálculo de um empacotamento da base, a solução para um padrão de vincos dobrável plano, a modelagem do padrão de vincos já dobrado e o refinamento do modelo gerado usando aprendizado por reforço, orientado por um ciclo autônomo de avaliação estética. Nosso sistema atua como um assistente colaborativo altamente eficaz, gerando pontos de partida estruturais que artistas humanos podem expandir e modelar posteriormente. Ao integrar otimização algorítmica com crítica estética autônoma, este trabalho demonstra como sistemas de IA podem satisfazer restrições físicas multiobjetivo para viabilizar uma cocriatividade confiável e matematicamente fundamentada.

English

While generative AI has achieved remarkable success in solving problems with verifiable solutions, generating physical art that satisfies both strict geometric constraints and subjective visual aesthetics remains a challenge. This paper presents an approach to tackle these difficulties in the domain of computational origami, a mathematically rigid environment that grounds artistic design within the equations of flat foldability. We present COrigami, an end-to-end AI-driven pipeline that assists the design cycle by generating crease patterns from natural language. Our pipeline involves generating a semantic stick figure, computing a base packing, solving for a flat-foldable crease pattern, shaping the flat-folded crease pattern, and refining the generated model using reinforcement learning driven by an autonomous aesthetic evaluation loop. Our system acts as a highly effective collaborative assistant, generating structural starting points that human artists can further expand and shape. By integrating algorithmic optimisation with autonomous aesthetic critique, this work demonstrates how AI systems can satisfy multi-objective physical constraints to enable reliable, mathematically grounded co-creativity.